بیست سال پیش، اکونومیست داستانی درباره کارخانه‌ای منتشر کرد که می‌توانست اژدها تولید کند. این مطلب یک شوخی اول آپریل بود که بر اساس ایده مدل‌سازی دقیق سلول‌های زنده در رایانه‌ها شکل گرفته بود. در آن زمان، این ایده صرفاً یک خیال‌پردازی بود. اما شکوفایی هوش مصنوعی در دهه‌های فاصله، به نظر می‌رسد آن را به واقعیت نزدیک‌تر کرده است. نشانه‌ای از این پیشرفت در ۷ اکتبر ظاهر شد، زمانی که «ابتکار زیست‌شناسی مجازی» (VBI)، پروژه‌ای برای جمع‌آوری داده‌های مورد نیاز جهت ایجاد مدل‌های پیش‌بینی رفتار و تغییرات سلولی، اعلام کرد که از زمان راه‌اندازی خود در ماه آوریل، تعهداتی به ارزش ۸۰۰ میلیون دلار دریافت کرده است.
اهداف VBI پزشکی است. مدل‌های پیش‌بینی به پژوهشگران اجازه خواهند داد داروهای مؤثرتری طراحی کنند که احتمال موفقیت آن‌ها در عبور از مراحل آزمایش‌های بالینی بیشتر است. اما اگر این رویکرد جواب دهد، نسل‌های آینده مدل‌ها ممکن است برای طراحی نسخه‌های اصلاح‌شده موجودات زنده موجود، مانند گیاهان زراعی—و شاید در نهایت، موجودات زنده کاملاً جدید—استفاده شوند.
ریمیکس زیست‌شناسی
فناوری‌ای که چنین پیشرفت‌هایی را ممکن ساخته، یادگیری عمیق است؛ روشی که در آن شبکه‌های عصبی بزرگ آموزش داده می‌شوند تا مسائل پیچیده را حل کنند. این همان تکنیکی است که زیربنای مدل‌های بنیادین powering چت‌بات‌های عرضه‌شده توسط شرکت‌هایی مانند Anthropic، Google و OpenAI را تشکیل می‌دهد. برای این مدل‌ها، مولکول‌های زنجیره‌بلند در قلب زیست‌شناسی (اسیدهای نوکلئیک و پروتئین‌ها) تفاوتی با زنجیره کلمات در نوشتار انسانی ندارند. بنابراین، رها کردن مدل‌های بنیادین روی این داده‌ها ایده‌ای بدیهی بود. و اکنون اثبات شده که این رویکرد فوق‌العاده پربار است.
به گفته ادريان وولفسون، مغز متفکر تجاری پشت Genyro، یک استارتاپ زیست‌فناوری در سن دیگو، «زیست‌شناسی اکنون محاسبه‌پذیر، قابل پیش‌بینی و در نتیجه قابل طراحی است.» همچنین قابل اجراست. برای مثال، Evo 2، یک مدل بنیادین که بخشی از آن توسط برایان های، از موسسه Arc در پالو آلتو اختراع شده، می‌تواند قطعات DNA تا طول ۱ میلیون جفت باز (اندازه ژنوم یک باکتری کوچک) را تحلیل کند. با مطالعه ترتیب بازهای شیمیایی جفت‌شده در مارپیچ دوگانه آن مولکول، می‌تواند پیش‌بینی کند که تغییرات در این ترتیب چگونه ممکن است بر ارگانیسم والد تأثیر بگذارد. او قادر به انجام این کار است زیرا بر روی توالی‌های DNA جمع‌آوری‌شده از بیش از ۱۰۰،۰۰۰ گونه، به همان شیوه‌ای که چت‌بات‌ها روی متن آموزش می‌بینند، آموزش دیده است.
در ماه ژانویه، شرکای علمی دکتر وولفسون، کایهانگ وانگ و نوآ رابینسون، از موسسه فناوری کالیفرنیا، سیستم مونتاژ DNA با دقت و کارایی بالا به نام Sidewinder را روانه جهان کردند. Sidewinder می‌تواند قطعات طولانی DNA را (در حال حاضر تا ۱۲،۵۰۰ جفت باز) با دقت بالا کنار هم قرار دهد. این مقدار به تنهایی برای سنتز ژنوم ویروس‌های کوچک کافی است. همچنین ساخت قطعات طولانی‌تر، مانند ژنوم باکتری‌ها و کروموزوم‌های مصنوعی کوچک را ساده می‌کند.
ترکیب این ابزارها با Evo 2 (دکتر های یکی دیگر از بنیان‌گذاران Genyro است) اکنون ابزارهای مورد نیاز را برای دکتر وولفسون فراهم کرده تا حرف‌هایش را عملی کند. او امیدوار است با سنتز، از جمله، یک کروموزوم گندم مصنوعی حاوی ژن‌های مقاومت به گرما و خشکسالی، این کار را انجام دهد.
Evo 2 به هیچ وجه تنها مدل بنیادین ژنومیک موجود نیست. DeepMind، آزمایشگاه هوش مصنوعی گوگل، مدلی به نام AlphaGenome ایجاد کرده است. این مدل بیشتر یک متخصص است تا Evo2. AlphaGenome تقریباً منحصراً روی ژنوم‌های انسانی آموزش دیده است، همانطور که Genos، محصولی از تحقیقات BGI در شنژن چین نیز همین‌گونه است.
مدل‌های یادگیری عمیق نیز برای کسانی که گروه‌های خاصی از گونه‌های غیرانسانی را مطالعه می‌کنند، در دسترس هستند. گیاهان، قارچ‌ها، باکتری‌ها، ویروس‌ها و حیوانات مهره‌دار همگی به این روش پوشش داده می‌شوند. در مقابل، Basecamp Research، شرکتی در لندن، دامنه فعالیت خود را گسترده‌تر می‌کند. مدل آن بر روی نمونه‌هایی آموزش دیده است که تلاش می‌کنند تمام DNA موجود در، مثلاً، یک نمونه آب از مکان خاص را ثبت کنند، تا جنگ شیمیایی در جریان بین میکروب‌های آنجا را—با هدف ایجاد آنتی‌بیوتیک‌های جدید—مطالعه کنند.
و این تنها ژنومیکس است. مدل‌های یادگیری عمیق از انواع مختلف همچنین می‌توانند سایر مولکول‌های بیولوژیکی، به ویژه پروتئین‌ها را مدیریت کنند. آن‌ها قادرند تشخیص دهند که پروتئین‌های طبیعی، که زنجیره‌های بلندی از پیوندهای شیمیایی به نام اسیدهای آمینه هستند، چگونه تا می‌شوند؛ امری که برای فهم عملکرد آن‌ها حیاتی است. آن‌ها همچنین می‌توانند پیش‌بینی کنند که تغییر اسیدهای آمینه خاص چه کاری انجام خواهد داد و حتی پروتئین‌ها را از صفر طراحی کنند، با اهداف مشخصی—از پادزهرهای بهتر برای نیش مار تا آنزیم‌های سفارشی برای واکنش‌های شیمیایی جدید.
DeepMind نیز یکی از این مدل‌ها را دارد که AlphaFold3 نام دارد. و شرکت وابسته آن، Isomorphic Labs—که بیانیه مأموریت متواضعانه‌ای با عنوان «حل تمام بیماری‌ها» دارد—برنامه‌ریزی می‌کند از هر دو مدل AlphaFold3 و AlphaGenome در مشارکت‌های کشف دارو با سه شرکت دارویی بزرگ‌تر و قدیمی‌تر استفاده کند: Novartis، Eli Lilly و Johnson & Johnson. شرکت‌های دارویی اهداف را ارائه می‌دهند. Isomorphic از هوش مصنوعی خود برای پیشنهاد نامزدهای دارویی استفاده خواهد کرد. سپس شرکت‌های دارویی پیشنهادات او را به صورت تجربی آزمایش می‌کنند.
شرکت‌های دارویی قدیمی دیگر نیز کار مشابهی با هوش مصنوعی به صورت داخلی انجام می‌دهند. Roche، Novo، GSK و AstraZeneca همگی یا مالک ابررایانه‌ها هستند یا سهامی در آن‌ها دارند. در واقع، خود Lilly با ساخت ابررایانه‌ای به نام LillyPod، مستقل از Isomorphic، شرط‌بندی خود را تکمیل کرده است. این سیستم رویکرد یادگیری عمیق را بر داده‌های آرشیو ۱۵۰ ساله شرکت اعمال خواهد کرد که پر از شکست‌های منتشرنشده و موفقیت‌های منتشرشده است. این امر باید بینش‌هایی را فراهم کند که برای کسانی که فقط به ادبیات علمی منتشرشده، با سوگیری‌اش نسبت به آنچه کار کرده، تکیه می‌کنند، غیرقابل دسترس است.
در حوزه کشاورزی، در همین حین، هوش مصنوعی روی چندین مسئله دشوارِ تاکنون حل‌نشده اعمال می‌شود. یکی از این موارد پلی‌پلوئیدی است، پدیده‌ای رایج در گیاهان که در آن یک ارگانیسم دارای چندین مجموعه کروموزوم مشابه است. چندین محصول مهم، شامل گندم، پنبه و سیب‌زمینی، پلی‌پلوئید هستند. این موضوع تعیین اینکه کدام ژن‌ها مسئول کدام اثرات هستند را دشوار می‌کند و در نتیجه دانستن محل ایجاد ویرایش‌های ژنتیکی مفید را سخت می‌سازد.
هوش مصنوعی مناسب می‌تواند تکلیف را روشن کند. همچنین می‌تواند به درک سیستم‌های ایمنی گیاهی کمک کند که به طور مستقل از سیستم‌های حیوانی تکامل یافته‌اند اما به همان اندازه پیچیده هستند. این امر باید اجازه دهد آن‌ها به نفع کشاورزان تنظیم شوند. و حتی تلاش‌هایی وجود دارد که از هوش مصنوعی برای دستکاری اصول بنیادین فتوسنتز استفاده شود تا سعی در افزایش کارایی آن گردد—امری دور از ذهن با توجه به اینکه تکامل میلیاردها سال فرصت داشته تا آن را بهینه کند، اما اگر بتواند برای افزایش عملکرد حاصل شود، ارزشی بی‌پایان خواهد داشت.
اما جایزه بزرگ، ترکیب رویکردهای زیست‌شناختی ممکن‌شده توسط هوش مصنوعی برای تدوین مدل‌های رایانه‌ای از نحوه عملکرد سلول‌ها خواهد بود. VBI گامی به سوی این هدف است.
خود این ابتکار ائتلافی از سازمان‌های تحقیقاتی عمومی، دانشگاهی و خصوصی به رهبری Biohub است؛ سازمانی در سان‌فرانسیسکو که توسط مارک زاکربرگ، رئیس Meta، و همسرش پریسیلا چان تأسیس شده است. DeepMind، Isomorphic Labs و موسسه Arc از اعضای آن هستند. هدف، گردآوری مقادیر عظیم داده‌های بیولوژیکی جدید مورد نیاز برای ایجاد مدل‌های پیش‌بینی، در قالب دوستدار هوش مصنوعی است. اگرچه این مدل‌ها تمام جنبه‌های رفتار سلولی را بازتولید نخواهند کرد، اما در پاسخ به بیماری و درمان شبیه‌سازی‌شده، مانند سلول‌های واقعی واکنش نشان خواهند داد.
این امر باید تحقیقات پزشکی و آزمایش دارو را به شدت تسریع بخشد. برای مثال، سلول‌های مجازی با ژنوم‌های مختلف ممکن است قبل از شروع آزمایش‌های بالینی نشان دهند که کدام‌یک احتمالاً به دارو پاسخ خوبی می‌دهند. این کار باعث می‌شود چنین آزمایش‌ها بیشتر تشریفاتی باشند تا تمرین نفس‌گیر و چندساله‌ای که اکنون هستند.
برای درک زیست‌شناسی به اندازه کافی برای ساخت چنین سلول مجازی، لازم است به موارد بسیار بیشتری نسبت به فقط ترکیب مولکول‌های فردی DNA و پروتئین نگاه کنیم و مدل‌هایی بسازیم که آن‌ها را مدیریت کنند. این مدل‌های جدید باید بدانند آن مولکول‌ها کجا هستند، چگونه با یکدیگر و با سایر مولکول‌های بیوشیمی (مانند لیپیدها و قندها) تعامل دارند و کل این شبکه چگونه به مولکول‌های سیگنال‌دهنده مانند هورمون‌ها پاسخ می‌دهد.
Biohub توسعه ابزارهایی برای انجام این کار را حمایت مالی خواهد کرد، مانند توموگرافی الکترون یخ‌زده (cryo-electron tomography)، که می‌تواند آنچه در داخل سلول رخ می‌دهد را با جزئیات نزدیک به اتمی تفکیک کند. در همین حین، در همکاری دیگری که در ۷ اکتبر اعلام شد، وزارت انرژی آمریکا (DoE) و موسسات ملی بهداشت (NIH) نیز مشارکت خواهند کرد. NIH داده‌های جمع‌آوری‌شده‌ای به ارزش ۵۰۰ میلیون دلار ارائه خواهد داد که Biohub تلاش خواهد کرد آن‌ها را استانداردسازی کند، و DoE مبلغ مشابهی را برای محاسبات و سایر منابع مورد نیاز برای این تلاش هزینه خواهد کرد.
ویروس از ماشین
سلول‌های مجازی همچنان فقط مدل‌های رایانه‌ای خواهند بود. شاهکار زیست‌شناسی مصنوعی—به معنای اصلی کلمه، یعنی اثری خلق‌شده برای اثبات تسلط—خلق موجودات کاملاً نوپدید از صفر خواهد بود.
بسته به اینکه کلمات «موجودات زنده» و «نوپدید» را چگونه تعریف کنید، ممکن است این اتفاق قبلاً افتاده باشد. در سپتامبر ۲۰۲۵، دکتر های و برخی از همکارانش در موسسه Arc اعلام کردند که از Evo2 و پیش‌ساز آن، Evo 1، برای طراحی و سنتز ۱۶ ویروس زنده استفاده کرده‌اند که بر اساس یک باکتریوفاژ به نام Phi-X174—که یکی از اسب‌های کاری ویروس‌شناسی است—اما به طور قابل توجهی متفاوت از آن بودند.
باکتریوفاژها، همانطور که از نامشان پیداست، به باکتری‌ها حمله می‌کنند. جالب توجه است که برخی از نوآوری‌های دکتر های سازگاری بالاتری نسبت به معادل‌های وحشی خود داشتند. کوکتل‌هایی از آن‌ها توانستند مقاومت معمول ویروس‌ها را در سه سویه مختلف E. coli، یک باکتری روده که آن هم وضعیت اسب کاری دارد، غلبه کنند. این موضوع از اهمیت ویژه‌ای برخوردار است زیرا فاژهای سفارشی‌سازی‌شده ممکن است کاربردهای پزشکی داشته باشند.所谓的 phage therapies، که در آن‌ها باکتری‌های خصمانه به جای آنتی‌بیوتیک‌های شیمیایی توسط ویروس‌ها کنترل می‌شوند، زمانی به طور گسترده عجیب تلقی می‌شدند، اما اکنون تحت بررسی فعال هستند.
در بازگشت به Genyro، کسی نمی‌تواند دکتر وولفسون را به فکر کوچک بودن متهم کند. او امیدوار است ترکیب مدل‌های بنیادین زیست‌شناختی و سنتز ارزان‌قیمت و مقیاس‌پذیر DNA امکان کاوش در ط possibilities بی‌شماری را که انتخاب طبیعی هنوز کشف نکرده است—آنچه او «کل فضای DNA» می‌نامد—فراهم کند.
فرضاً این کار با موجوداتی آغاز خواهد شد که، اگرچه نوپدید هستند، اما همچنان شباهت قابل شناسایی به چیزی طبیعی دارند، مانند فاژهای دکتر های. اما همانطور که انتخاب طبیعی، قدم به قدم، از میکروب‌ها به انسان‌ها از طریق ماهی‌ها، دوزیستان، خزندگان شبیه پستانداران و میمون‌ها رسید، تغییرات تدریجی هدایت‌شده توسط هوش مصنوعی ممکن است منجر به کاربردهایی شود که امروزه شبیه خیال‌پردازی به نظر می‌رسند. شاید رشد ساختمان‌ها به جای ساخت آن‌ها؟ پهپادهای تحویل با بال به جای ملخ؟ خودروهای آفرود با پا به جای چرخ؟
و خود فضای DNA ممکن است بزرگ‌تر از آنچه در نگاه اول به نظر می‌رسد باشد. سلول‌های مصنوعی طراحی‌شده توسط هوش مصنوعی ممکن است با بازنویسی خود کد ژنتیکی، به توسعه بیوشیمی، و در نتیجه زیست‌شناسی مصنوعی، کمک کنند. پروتئین‌های طبیعی تنها از ۲۰ نوع اسید آمینه استفاده می‌کنند، اما DNA توانایی کدگذاری سه برابر این مقدار را دارد اگر دستگاه سنتز پروتئین بتواند سیم‌کشی مجدد شود تا تکراری‌ها حذف شوند. این امر ممکن است اجازه دهد انواع شیمی مفیدی که در حال حاضر در طبیعت دیده نمی‌شوند، انجام شوند.
اما این کار همچنین ممکن است هیولاهای تصادفی را آزاد کند. دکتر های و همکارانش فاژها را برای کار خود روی ویروس‌های مصنوعی انتخاب کردند، بخشی به این دلیل که آن‌ها تهدید قابل تصوری برای تبدیل شدن به عوامل بیماری‌زا ایجاد نمی‌کنند. و خالقان Evo 2 هنگام آموزش آن اطمینان یافتند که هیچ‌یک از ویروس‌های موجود در پایگاه‌های داده بیماری‌زا نباشند، مبادا مدل به طور تصادفی یاد بگیرد کاری خطرناک انجام دهد. اما با گسترش فناوری، خطرات نیز تکثیر خواهند شد.
بنابراین، همانند خود هوش مصنوعی، زیست‌شناسی که هوش مصنوعی ممکن خواهد ساخت، دنیاهای احتمالی ارائه می‌دهد که هم شگفت‌انگیز و هم ترسناک هستند. دفعه بعد که در شماره‌ای از اکونومیست داستانی درباره کارخانه اژدها خواندید، مطمئن نباشید که ما شوخی می‌کنیم. ¦
کنجکاو درباره جهان هستید؟ برای لذت بردن از پوشش علمی گسترش‌دهنده ذهن ما، در Simply Science، خبرنامه هفتگی مختص مشترکین ما، ثبت‌نام کنید.